論文の概要: Ctrl-F: Force as an Interface for Humanoid Loco-Manipulation
- arxiv url: http://arxiv.org/abs/2611.05507v1
- Date: Tue, 03 Nov 2026 19:04:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.820899
- Title: Ctrl-F: Force as an Interface for Humanoid Loco-Manipulation
- Title(参考訳): Ctrl-F:Humanoid Loco-Manipulationのインタフェースとしての力
- Abstract要約: Ctrl-Fは、手や足など、指定された接触体ごとに3次元の力で、運動追跡を明示的な力で強化する階層的な運動力フレームワークである。
シミュレーションおよびハードウェア上で、Ctrl-Fは、大きな持続的な相互作用力を必要とするロコ操作を完了し、負荷の変化に応じてそのコマンドをオンラインで調整する。
- 参考スコア(独自算出の注目度): 52.348630453131385
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Humanoid motion tracking has scaled to general policies that reproduce diverse human motion, but the resulting behavior is in free-space: the tracker knows where the body should be, not how it should interact with the environment. Other work makes the object part of the objective, yet abstracts that interaction to contact or geometry, which leaves the demanding cases under-explored. We argue that force is a natural command channel between motion imitation and object interaction, one that specifies not just where to make contact but how hard. We present Ctrl-F, a hierarchical motion-force framework that augments motion tracking with an explicit force command, a 3-D force at each designated contact body such as a hand or a foot. The hierarchical framework comprises: (1) A unified motion-force controller tracks the reference motion while applying the commanded force to the world. (2) A high-level force planner that issues a force command online based on object state and proprioception observations. In simulation and on hardware, Ctrl-F completes loco-manipulation that demands large, sustained interaction force and adjusts its command online as the load changes, both out of reach of a force-blind tracker. On hardware, Ctrl-F demonstrates hand-based dragging, pushing, and lifting, as well as foot-based kicking, successfully manipulating boxes weighing up to 20kg in pushing and kicking tasks where the force-blind baseline fails, while adapting online to additional loads introduced mid-task.
- Abstract(参考訳): ヒューマノイドのモーショントラッキングは、様々な人間の動きを再現する一般的なポリシーに拡張されているが、結果として生じる行動は自由空間にある。
他の研究は、対象を目的の一部にしているが、接触や幾何学との相互作用を抽象化し、要求されるケースを探索下に残している。
我々は、力は動きの模倣と物体の相互作用の間の自然な指令チャネルであり、接触する場所だけでなく、いかに難しいかを特定するものであると主張している。
Ctrl-Fは運動追跡を明示的な力コマンドで強化する階層的な運動力フレームワークであり、手や足など、指定された接触体ごとに3次元の力を与える。
本発明の階層的枠組みは,(1)第1に,第1に,第1に第1に,第2に第2に第1に,第2に第2に,第2に第2に,第2に第2に,第2に第2に,第2に,第2に,第2に,第2に,第2に,第2に,第
2) 物体状態と受容器観察に基づいてオンラインのフォースコマンドを発行するハイレベルなフォースプランナー。
シミュレーションおよびハードウェア上で、Ctrl-Fは、大きな持続的な相互作用力を必要とするロコ操作を完了し、負荷の変化に応じてオンラインでコマンドを調整する。
ハードウェア上では、Ctrl-Fは手によるドラッグ、プッシュ、リフト、および足による蹴り、最大20kgの箱の操作を成功させた。
関連論文リスト
- Learning Force-Reactive Humanoid Loco-Manipulation [25.52335332534506]
力反応性ヒューマノイドのロコ操作を学習するためのフレームワークであるFLOREを提案する。
力反応性拡散ポリシは、視覚、受容、測定されたレンチを入力として、次にアクションを予測し、手動のコマンドを出力する。
力トラッキングを備えたハイブリッドコンプライアンス全体コントローラは、バランスを維持しながらこれらのコマンドを実行する。
論文 参考訳(メタデータ) (2026-10-26T17:59:11Z) - OIL: An Object Interaction Layer for Humanoid Whole-Body Control [10.78987394423364]
油は、望まれるオブジェクトの動きと接触を含むように、全身制御のキネマティックなコマンドインターフェイスを拡張するオブジェクトインタラクション層である。
この設計により、プッシュ、プル、2腕のピック・アンド・プレイス、ロコモーション・カップリング・トランスポートなど、単一の学習されたポリシーで非包括的インタラクションを実行することができる。
論文 参考訳(メタデータ) (2026-10-01T05:12:31Z) - Opt2VLA: Force-Aware Vision-Language-Action for Contact-Rich Humanoid Whole-Body Manipulation [33.42088337668233]
ヒューマノイド全身操作のための力認識型視覚言語アクションフレームワーク Opt2VLA を提案する。
動作のみの制御よりも,Opt2VLAがより正確で一貫した力制御を可能にすることを示す。
論文 参考訳(メタデータ) (2026-09-21T00:41:02Z) - ForceTwin: Physics-informed Digital Twins for Robotic Manipulation from Instrumented Human Interaction [50.52713367623184]
ForceTwin(フォーストイン)は、計測された人間との相互作用から、音声で表現された物体の物理情報を持つデジタル双対を識別するシステムである。
我々は, 慣性, クーロン摩擦, 減衰, 構造的残効状態依存機構力を含む調音, パラメトリックダイナミクスを推定する。
特定された双子を使って、全身のドア・トラバーサルポリシーを訓練し、現実世界に展開します。
論文 参考訳(メタデータ) (2026-09-18T13:26:32Z) - ReForce: Learning Force-aware Retargeting for Dexterous Manipulation [9.525202879335618]
ReForceは、人間の動きと力を、意図した接触を再現するロボットアクションに変える、フォース対応のリターゲティング手法だ。
オンラインフォース対応の遠隔操作とオフラインデータ変換の両方をサポートする。
紙カップの握りやトング操作といったコンタクトリッチなタスクに対して、力追跡誤差の低減と、より強力なマルチフィンガーコンタクトエンゲージメントを実現する。
論文 参考訳(メタデータ) (2026-08-16T06:13:14Z) - ForceFlow: Learning to Feel and Act via Contact-Driven Flow Matching [53.30290192030814]
ForceFlowは、フローマッチングに基づいて構築された、フォース対応のリアクティブフレームワークである。
ForceFlowは、強力なベースラインであるForceVLAよりも37%の成功率の向上を実現している。
また、接触力の自己調節において、正確な力信号予測と優れた性能を示す。
論文 参考訳(メタデータ) (2026-05-11T13:27:00Z) - TextOp: Real-time Interactive Text-Driven Humanoid Robot Motion Generation and Control [62.93681680333618]
TextOpはリアルタイムテキスト駆動型ヒューマノイドモーション生成および制御フレームワークである。
ストリーミング言語コマンドと実行中のオンザフライ命令修正をサポートする。
対話型モーション生成を堅牢な全身制御でブリッジすることで、TextOpは自由形式のインテント表現をアンロックする。
論文 参考訳(メタデータ) (2026-02-07T08:42:11Z) - Feel the Force: Contact-Driven Learning from Humans [52.36160086934298]
操作中のきめ細かい力の制御は、ロボット工学における中核的な課題である。
We present FeelTheForce, a robot learning system that model human tactile behavior to learn force-sensitive control。
提案手法は,5つの力覚的操作タスクで77%の成功率を達成した,スケーラブルな人間の監督において,堅牢な低レベル力制御を実現する。
論文 参考訳(メタデータ) (2025-06-02T17:57:52Z) - HOSIG: Full-Body Human-Object-Scene Interaction Generation with Hierarchical Scene Perception [57.37135310143126]
HO SIGは階層的なシーン認識を通じて全体インタラクションを合成するための新しいフレームワークである。
我々のフレームワークは、自己回帰生成による運動長の無制限化をサポートし、手動による介入を最小限に抑える。
この研究は、シーン認識ナビゲーションとデクスタラスオブジェクト操作の間に重要なギャップを埋める。
論文 参考訳(メタデータ) (2025-06-02T12:08:08Z) - ForceGrip: Reference-Free Curriculum Learning for Realistic Grip Force Control in VR Hand Manipulation [0.10995326465245926]
本稿では,現実的な手操作動作を合成する深層学習エージェントであるForceGripを紹介する。
我々は、指の位置決め、意図適応、動的安定化を含む3段階のカリキュラム学習フレームワークを採用する。
以上の結果から,ForceGripの出力制御性と信頼性は最先端の手法に比べて優れていた。
論文 参考訳(メタデータ) (2025-03-11T05:39:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。